人工免疫網(wǎng)絡算法的改進研究

徐 艷

(電子科技大學成都學院 611731)

工程實用中，隨著新要求和新特性的出現(xiàn)，在數(shù)據(jù)和函數(shù)優(yōu)化、神經(jīng)元結構優(yōu)化、系統(tǒng)識別、圖像處理中不僅需要獲得確定問題目標函數(shù)的最優(yōu)解，還要獲得多數(shù)局部問題目標函數(shù)的最優(yōu)解，該類問題的共同特征是目標函數(shù)具有較多的局部最優(yōu)解，而全局最優(yōu)解不確定。對于該類問題，傳統(tǒng)的數(shù)值優(yōu)化算法已經(jīng)無法滿足求解要求，因此需要采用其他算法進行求解，如適應度分享法、子群法等都被用來對目標函數(shù)進行最優(yōu)解搜索，但是該類算法在搜索結果和對復雜數(shù)據(jù)的求解能力方面還不夠理想。

鑒于生物免疫系統(tǒng)具有高度自適應的協(xié)調(diào)自治系統(tǒng)，且其對復雜問題的處理具有非常大的優(yōu)勢，其與當前應用中所需要的功能相吻合，故仿照生物進化特性而提出的人工免疫網(wǎng)絡算法在智能計算、網(wǎng)絡優(yōu)化、模式識別等領域得到了廣泛的應用。該算法可以根據(jù)問題進行學習，進而利用其強大的處理功能對信息進行處理，獲得優(yōu)化問題的最優(yōu)解。在人工免疫算法中，函數(shù)優(yōu)化的目的在于在指定范圍內(nèi)獲得目標函數(shù)的最優(yōu)解，該過程類似于抗體群體對抗原進行識別并獲得抗原所對應的求解的問題。

本文提出了一種改進的人工免疫網(wǎng)絡算法對復雜函數(shù)進行優(yōu)化求解，該算法借鑒禁忌搜索算法的思想，引入禁忌表、記憶表及搜索方向表，以改善人工免疫網(wǎng)絡算法在優(yōu)良狀態(tài)記憶方面和搜索復雜度方面的存在的不足。

1 免疫原理算法與最優(yōu)值搜索算法概述

1.1 人工免疫網(wǎng)絡算法

人工免疫網(wǎng)絡是在神經(jīng)網(wǎng)絡的基礎上，結合機器學習等方法而建立起來的一種具有自適應能力的網(wǎng)絡，基于人工免疫網(wǎng)絡的算法具有處理復雜問題能力突出，可以實現(xiàn)目標函數(shù)的局部收斂等優(yōu)點，故其具有廣泛的應用范圍和應用領域。該算法將超過一定連接強度的抗體群組成網(wǎng)絡，然后根據(jù)克隆選擇、免疫網(wǎng)絡、變異等原理對該網(wǎng)絡中待分析的數(shù)據(jù)進行分析、分類和處理。

人工免疫網(wǎng)絡算法主要用于對模式識別中的數(shù)據(jù)局類問題進行求解和分析。聚類算法是一類具有多峰值函數(shù)的算法，需要獲取多個局部峰值，且需要具有一定的自適應性，人工免疫網(wǎng)絡算法對該類問題具有很好的適應性，故利用該算法可以獲得聚類問題所需的最優(yōu)解。

需要注意的是，人工免疫網(wǎng)絡算法的運算量較大，需要選取適當?shù)膲嚎s閾值以獲得最優(yōu)解，對于具有多模態(tài)參數(shù)和峰值、復雜度高等問題的求解能力還存在不足。具體而言分為以下幾點：一，若目標函數(shù)中存在的極值點較多和較密集，若無法確定最佳閾值則可能致使算法因無法搜索到全部極值點而失效，同時由于局部峰值過多，容易導致算法出現(xiàn)早熟現(xiàn)象。二，算法隨機生成細胞的增加與現(xiàn)有網(wǎng)絡中的細胞之間沒有通過一定的方式進行關聯(lián)，易增加系統(tǒng)的計算量，導致出現(xiàn)迂回搜索，影響極值點的搜索。

為克服該算法所存在的缺陷，本文將禁忌搜索算法的搜索思想引入到人工免疫算法中，以提高算法的性能。

1.2 禁忌搜索算法

禁忌搜索算法的搜索方式為，對全局數(shù)據(jù)依據(jù)抗體細胞的特性進行啟發(fā)式數(shù)據(jù)尋優(yōu)，可優(yōu)化流程排序，實現(xiàn)過程的自適應選擇。其中，該搜索算法的核心技術為鄰域函數(shù)、禁忌配表、候選解和特赦準則。

鄰域函數(shù)主要用于對特定問題和數(shù)據(jù)求解所需的數(shù)據(jù)表達方式進行設定，通過該函數(shù)可以由現(xiàn)有解獲得新的解。該函數(shù)的表達式需要根據(jù)具體情況進行確定。禁忌表則用來限定搜索操作的方向，列入禁忌表中的搜索方向無法進入下一步搜索過程，該表可以防止出現(xiàn)因迂回搜索而出現(xiàn)的搜索錯誤和數(shù)據(jù)溢出。禁忌表會記錄最近幾次的搜索操作，避免這些操作出現(xiàn)重復，經(jīng)過設定次數(shù)操作后，最近幾次操作被釋放到禁忌表的末端，可重新參與運算。候選解則是根據(jù)當前狀態(tài)中所出現(xiàn)的一些優(yōu)選解組成的一組解，其具有后續(xù)搜索方向性能優(yōu)良、數(shù)據(jù)適當?shù)忍匦?。而特赦準則則是當目標值出現(xiàn)較大幅度下降時而采取的措施，在出現(xiàn)上述情況時，禁忌表中數(shù)據(jù)會重新進行選取，以便于獲得全局最優(yōu)解，實現(xiàn)性能的優(yōu)化。

2 改進的人工免疫網(wǎng)絡算法

2.1 改進策略

本文將禁忌搜索算法的搜索特性引入到人工免疫網(wǎng)絡算法中，改善該算法在數(shù)據(jù)搜索中所具有的缺陷。具體實現(xiàn)方式如下：

在人工免疫網(wǎng)絡中引入禁忌準則，設定特定區(qū)域為禁忌配表，避免在搜索過程中出現(xiàn)迂回搜索，同時設定特赦準則，對具有優(yōu)良狀態(tài)的搜索操作進行釋放，從而改善搜索特性，增強搜索的準確性。當人工免疫網(wǎng)絡在隨機生成細胞時，算法會對該細胞進行范圍判定，若該細胞進入禁忌鄰域則取消該細胞進入網(wǎng)絡的操作，當細胞禁忌次數(shù)超過限定閾值時，釋放該細胞。通過該種方式可以確保隨機細胞生成具有最優(yōu)的分布性，消除迂回搜索出現(xiàn)的概率，提高算法搜索速度和改善峰值搜索精度，加快算法收斂速度。

改進算法對成熟細胞的免疫記憶機制進行模擬，免疫細胞通過在固定生命周期T內(nèi)對抗原進行記憶，提高與抗原的親和力。若在其生命周期內(nèi)若可以獲得足夠的親和力則該細胞轉(zhuǎn)換為記憶細胞，若在其生命周期內(nèi)免疫細胞未獲得足夠的親和力則該細胞死亡，算法生成新的隨機細胞，該細胞進入親和力積累循環(huán)。經(jīng)過多次循環(huán)，免疫網(wǎng)絡中的細胞群均具有免疫記憶功能，實現(xiàn)對抗原的免疫。鑒于基本人工免疫網(wǎng)絡中的優(yōu)秀個體無法得到保存，算法中出現(xiàn)的優(yōu)秀特征無法獲得持續(xù)性保存，故可以在人工免疫網(wǎng)絡中增加一個記憶表對符合網(wǎng)絡特性的記憶細胞進行保存，若后續(xù)過程中出現(xiàn)性能更加優(yōu)良的細胞，則用該細胞替換其鄰域內(nèi)的某個記憶細胞，促使抗體群逐漸趨向于局部極值。該過程在保持網(wǎng)絡現(xiàn)有規(guī)模的基礎上減少算法運算量，提高局部極值點精度，在多峰值函數(shù)優(yōu)化方面具有優(yōu)良的性能。

2.2 算法的設計與實現(xiàn)方式

本算法將禁忌表、記憶表及進化方向表引入到人工免疫算法中，算法流程如下：首先生成初始免疫網(wǎng)絡，對網(wǎng)絡中各細胞的親和度進行計算，獲得細胞禁忌表。然后對網(wǎng)絡細胞克隆，計算變異細胞的親和度，根據(jù)預定閾值對變異細胞進行判定，若不在禁忌范圍內(nèi)，則重新計算新細胞網(wǎng)絡的親和度，進入循環(huán)；若該細胞在禁忌表范圍內(nèi)則將該細胞加入到禁忌表并將禁忌表中的特赦細胞轉(zhuǎn)移到記憶表，對兩表中的細胞進行抑制。判定是否滿足停止條件，若滿足則輸出網(wǎng)絡中具有最大親和力的細胞，若不滿足則重新進入循環(huán)。其中，迭代停止條件為禁忌表和記憶表中的細胞總數(shù)達到預設數(shù)值或者算法迭代次數(shù)達到預設次數(shù)。

本算法對人工免疫網(wǎng)絡中的閾值敏感問題進行了分析和考慮，將初始克隆抑制和網(wǎng)絡抑制引入到算法中，以提高閾值確定的精度?？寺∫种频谋磉_式如下：

其中θ表示抑制閾值，DATavg表示抗體細胞的平均距離，a為根據(jù)算法適用范圍所選取的權值。

通過該閾值確定方式保證了網(wǎng)絡中抗體的多樣性，同時避免了因鄰域范圍選取不當而產(chǎn)生的搜索錯誤。

網(wǎng)絡抑制的表達式如下：，

其中M為記憶抗體集，σs為抑制域。通過選取適當?shù)囊种朴蛑悼梢垣@得最佳的極值搜索結果。

利用上述兩種抑制方式可以獲得符合算法要求的問題解。

3 總結

本文算法在人工免疫網(wǎng)絡算法的基礎上引入禁忌搜索算法算法思路，改善了人工免疫網(wǎng)絡算法在搜索量上的缺陷，有效保持抗體間的動態(tài)平衡，且抑制機制的引入保證了解的多樣性，消除了算法中存在的早熟問題，提高了算法的運算速度，在全局尋優(yōu)和局部收斂方面具有很好的性能。

[1]郭鵬飛,王嘉,趙云豐.人工免疫網(wǎng)絡算法的改進及免疫優(yōu)化應用[J].中南大學學報（自然科學版）,2009,40(5)

[2]趙云豐,付冬梅,尹怡欣,王嘉,周諄,趙寶永.一種改進的人工免疫網(wǎng)絡優(yōu)化算法及其性能分析[J].自然科學進展,2009,19(4)

[3]謝靜,蘇一丹,基于人工免疫增量的聚類算法[J].大眾科技,2010(12)

[4]鄔依林.基于自適應人工免疫網(wǎng)絡算法的數(shù)據(jù)挖掘[J].計算機工程與應用,2007,43(4)

[5]馬立玲,張曌,周曉航,王軍政.基于改進人工免疫網(wǎng)絡的分類方法[J].北京理工大學學報,2011,31(2)